Proceedings of the AAAI Conference on Artificial Intelligence· 2017
Şehir Çapında Kalabalık Akış Tahmini İçin Derin Uzamsal-Zamansal Kalıntı Ağları
Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction
- 2.173atıf
- 2017yıl
Kısa özet
ST-ResNet adlı yeni bir derin öğrenme modeli, zamansal örüntüleri (yakınlık, periyot, eğilim) ve uzamsal ilişkileri eş zamanlı olarak dikkate alarak şehir çapındaki kalabalık akışlarını tahmin edebilmektedir ve mevcut yöntemlerden daha iyi performans göstermektedir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- Şehir çapında kalabalık akışı tahmini için bir derin öğrenme modeli olan ST-ResNet'i tanıtmaktadır.
- Zamansal özellikleri (yakınlık, periyot, eğilim) ve uzamsal bağımlılıkları eş zamanlı olarak modeller.
- Farklı zamansal özellik dallarının ve bölgelerin çıktılarını dinamik olarak toplar.
- Hava durumu ve haftanın günü gibi dış faktörleri içerir.
- Pekin ve New York kalabalık akışı veri kümelerinde altı kıyaslama yönteminden daha iyi performans gösterir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Forecasting the flow of crowds is of great importance to traffic management and public safety, and very challenging as it is affected by many complex factors, such as inter-region traffic, events, and weather. We propose a deep-learning-based approach, called ST-ResNet, to collectively forecast the inflow and outflow of crowds in each and every region of a city. We design an end-to-end structure of ST-ResNet based on unique properties of spatio-temporal data. More specifically, we employ the residual neural network framework to model the temporal closeness, period, and trend properties of crowd traffic. For each property, we design a branch of residual convolutional units, each of which models the spatial properties of crowd traffic. ST-ResNet learns to dynamically aggregate the output of the three residual neural networks based on data, assigning different weights to different branches and regions. The aggregation is further combined with external factors, such as weather and day of the week, to predict the final traffic of crowds in each and every region. Experiments on two types of crowd flows in Beijing and New York City (NYC) demonstrate that the proposed ST-ResNet outperforms six well-known methods.
Yazarların özeti; kaynağından alınmıştır. Proceedings of the AAAI Conference on Artificial Intelligence, 2017 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Alan: Yapı ve İnşaat
Building and ConstructionEngineering